Разработка и исследование системы автоматизированного распознавания структуры экспериментальных кривых тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук сангинов, Рустам Сангинович

• сангинов, Рустам Сангинович
• кандидат технических наук
• 1984

Оглавление диссертации кандидат технических наук сангинов, Рустам Сангинович

ВВЕДЕНИЕ.

ГЛАВА I СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ МЕТОДА

СТРУКТУРНОГО РАСПОЗНАВАНИЯ ОБРАЗОВ.

§1,1 Основные понятия и определения метода структурного распознавания образов

§1,2 Задачи и методы структурного распознавания образов

§1,3 Сегментация - начальный этап структурного представления образов.

§ 1.4 Формальные языки и грамматики как средство анализа структуры образов

§ 1.4.1 Цепочные грамматики

§ 1.4.2 Графовые грамматики

ГЛАВА II СТРУКТУРНОЕ ПРЕДСТАВЛЕНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ КРИВЫХ.

§2.1 Классификация методов сегментации экспериментальных кривых.

§2.2 Формализация метода формирования примитивов экспериментальных кривых.

§ 2.2.1 Способ реализации оператора выделения и дискретизации примитивов.

§ 2.2.2 Способ реализации оператора структурного представления экспериментальных кривых

§2.3 Оценка объема информации при структурном представлении экспериментальных кривых

ГЛАВА Ш СИСТЕМ АВТОМАТИЗИРОВАННОГО РАСПОЗНАВАНИЯ СТРУКТУРЫ

ЭКСПЕРИМЕНТАЛЬНЫХ КРИВЫХ (САРСЭК).

§ 3.1 Функциональное назначение и принцип построения САРСЭК.

§ 3.2 Критерии выбора параметров аппаратного комплекса

САРСЭК.

§ 3.3 Синтез оптимальной структуры аппаратного комплекса

САРСЭК. •

§3.4 Описание функционирования блока сегментации экспериментальных кривых и оценка его точности.

§3.5 Вычислительное устройство определения составных параметров кривых

§ 3.6 Язык структурного описания экспериментальных кривых (ЯСОЭК).

§ 3.6.1 Грамматика ЯСОЭК и ее структура.

§ 3.6.2 Элементы атрибутной грамматики и их семантика

§ 3.6.3 Основные свойства и особенности ЯСОЭК

§ 3.7 Модель синтеза грамматики ЯСОЭК.

§ 3.7.1 Начальное структурное представление примитивов

§ 3.7.2 Структурное описание подобразов кривых

§ 3.7.3 Алгоритм автоматического синтеза атрибутной грамматики.

§ 3.8 Оценка сложности дерева структуры кривой

§ 3.9 Алгоритм структурного распознавания экспериментальных кривых.

ГЛАВА 1У ЭКСПЕРИМЕНТАЛЬНЫЕ РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ САРСЭК.

§ 4.1 Описание функционирования САРСЭК

§ 4.2 Анализ и сравнительная оценка вычислительной сложности метода структурного распознавания кривых с другими методами теории распознавания

§ 4.3 Экспериментальное применение САРСЭК для задач виброакустической диагностики двигателей внутреннего сгорания.

§ 4.4 Экспериментальное применение САРСЭК для автоматизации обработки реоэнцефалографической информации

Введение диссертации (часть автореферата) на тему «Разработка и исследование системы автоматизированного распознавания структуры экспериментальных кривых»

На пути развития этой теории, в результате обобщения опыта решения: значительного числа прикладных задач распознавания и осмысливания их экспериментальных результатов, были предложены статистические, алгебраические и логические методы распознавания образов. 7.В: формирование этих методов огромный вклад внесли наши отечественные ученые Айзерман М.А., Бонгард М.М., Браверман Э.М.у Вайнцвайг М.Н., Вапник В.П., Васильев В. И., Глушков В.М., Горелик А.Л., Дорофегок A.A.-, Журавлев Ю.И., Завалишин Н.В., Загоруйко Н.Г., Ивахненко А.Г., Камилов М.М. i Ковалевский B.A. , ОДучник И.Б., Рас-тригин I.A., Розоноэр Л.И., Турбович И.Т,', Харкевич A.A., Цыпкин Я.З., Червоненкис А.Я., Шлезингер М.И., и зарубежные - Дуда P.O., Нейман Дж., Нильсон Н., Розенблатт Ф., Розенфельд А., Ту Дж., Фу К;С,, Хант Э., Харт П.Е., и другие.

В рамках этих методов созданы различные распознающие системы, принципы распознавания которых основаны на детерминистских и статистических алгоритмах распознавания, включающие в себя различные аппроксимационные подходы регрессионного и корреляционного анализа,* алгебры логики и т.д. Эти системы,главным образом, предназначены для распознавания исследуемых образов и выработки решения типа "да", "нет", "не знаю" о принадлежности распознаваемых образов к определенному классу. При этом, решение принимается по конечным числом признаков, характеризующим поведение образа с определенными численными значениями или же по распределениям вероятностей значений этих признаков. Иначе говоря, в этих системах распознавание осуществляется по количественным характеристикам образов.

Отмеченные выше методы решения задач распознавания образов, как показала практика, оказались плодотворными в решении задач "незрительного" типа и лишь весьма простые "зрительные" задачи например, чтение машинописного текста, удалось решать в рамках вышеприведенных методов.

Современное развитие научно-технического прогресса требует создания автоматизированных систем распознавания, позволяющих ответить на вопрос: какой физический смысл имеют результаты распознавания и можно ли им приписать реальные значения в терминах исследуемой предметной области? Этот вопрос особенно волнует специалистов по морфологии, теории эволюции и специалистов, связанных с обработкой сложных "зрительных" образов, например, анализ сцен, обработка аэрофотоснимков, морфологический анализ экспериментальных кривых и т.д. Ответ на поставленный вопрос, как нам кажется, могут дать системы, принципы распознавания которых основаны на методах структурного (лингвистического) распознавания.

В настоящей диссертационной работе рассматривается один из способов решения задачи структурного распознавания экспериментальных кривых (ЭК), суть которого заключается в том, что используя информацию о форме кривых, автоматически формируются множества, так называемых, объектных примитивов и некоторая грамматика, с помощью которой производится структурное описание формы ЭК и осуществляется их классификация.

Основная проблема структурного метода распознавания связана с автоматизацией количественного и качественного анализа формы кривых и интерпретацией полученных результатов в понятиях исследуемых объектных предметов. Данной проблеме посвящены работы Завалишина Н.В., Мучника И.Б,, Валужиса А.К., Житкова Т;Н., Китова А.Д., Стокмаца К„, Гренандера У., Фу К,С., Гонсалеса P.C., и другвк авторов. Однако „ в большинстве этих работ грамматические правила построения "фраз" или предложений, отражающие структуры ЭК, в основном задаются самими исследователями. Такие системы структурного распознавания не допускают или частично допускают режим самообучения, что несколько снижает их гибкость и универсальность.

С точки зрения теории и практики структурного распознавания образов наибольший интерес представляют распознающие системы, позволяющие автоматически строить (восстановить) грамматику языка структурного описания образов.

Автоматическое построение грамматики, как правило, осуществляется путем рассмотрения самой системой совокупности примеров предложений, описывающих структур, исследуемых классов образов. Такие системы являются самообучающимися распознающими системами, которые позволяют обучаться и решать задачи структурного распознавания для более широких классов образов. Это дает возможность увеличить их гибкость и расширить сферу их применения в различных областях науки и техники.

В связи с этим, актуальность создания наиболее универсальных систем автоматизированного распознавания структур ЭК, позволяющие решать не только задачи классических методов распознавания - статистические, алгебраические и логические , но и те задачи, которые в классических методах распознавания не могли бы быть даже и поставлены, например, определения различных связей фрагментов кривых и законы их композиций, описания структур различных классов кривых, установления одинаковых фрагментов одних и тех же или разных классов кривых и т.д., не является сомнительной . Поэтому диссертационная работа посвящена проблеме создания именно таких систем - систем автоматизированного распознавания структуры экспериментальных кривых (САРСЭК).

Эффективным решением этой проблемы, на наш взгляд, может являться создание системы с аппаратурыо-программным принципом построения, аппаратурная часть которой выполняет функции сегментации кривых и связи объекта с ЦВМ, а программная часть - функции построения грамматики и структурного распознавания ЭК. Такая структурная организация системы позволяет сжать исходную информацию до ввода в ЦВМ, произвести сегментацию ЭК, формировать объектные примитивы в реальном масштабе времени и выполнить процедуру структурного распознавания с большей эффективностью.

Таким образом, все вышесказанное позволяет сделать вывод об актуальности задачи автоматизации структурного распознавания ЭК и разработки системы, выполняющей эту задачу.

Целью диссертационной работы является разработка методов и средств САРСЭК, позволяющие осуществить как количественный, так и качественный (морфологический) анализ форм ЭК, путем структурного их описания и решения задачи классификации кривых. Для реализации поставленной цели решались следующие задачи исследований:

- сравнительный анализ методов структурного распознавания образов и оценка возможности аппаратурной реализации некоторых этапов распознавания;

- выбор способа структурного представления примитивов ЭК и сравнительная оценка объема информации выбранного способа с другими;

- разработка метода и алгоритма сегментации и формирования объектных примитивов в условиях автоматизации процедуры структурного распознавания ЭК;

- разработка комплекса технических средств для выполнения этапа сегментации и формирования объектных примитивов, предназначенных для осуществления предворительной обработки, сжатия и компактного представления информации до ввода ее в ЦВМ;

- разработка формального языка структурного описания ЭК, грамматические правила которого обладают атрибутными свойствами;

- разработка алгоритма синтеза атрибутной грамматики языка структурного описания кривых;

- разработка алгоритма структурного распознавания и классификации исследуемых ЭК;

- реализация САРСЭК для морфологического анализа структури-зированных кривых с квазипостоянной или случайной формой в области технической диагностики двигателей внутреннего сгорания и медицины.

Основанием для данной работы послужило участие автора в выполнении госбюджетной темы по целевой программе ОД.027 согласно плана АН УзССР и научно-исследовательских работ, проводимых на кафедре "Электронные вычислительные машины" Ташкентского ордена Дружбы Народов политехнического института имени Абу Райхана Беруни совместно с отделом J£ 10 НПО "Узавтотранстехника", с лабораторией технической диагностики Ташкентского экспериментально-производственного автопредприятия Минавтотранспорта УзССР, а также с НИИ курортологии и физиотерапии имени H.A. Семашко Минздрава УзССР.

Объектами исследования являлись виброакустические колебания подвижных частей блока цилиндров двигателей внутреннего сгорания и реоэнцефалографическая информация, получаемая при исследовании кровоснабжения головного мозга человека.

При разработке и исследовании аппаратурной и программной частей системы в качестве математического аппарата использовались аппарат теории автоматов, некоторые разделы теории программирования, аппарат теории алгоритмов, аппарат теории формальных языков, аппарат теории информации, аппарат алгебраических систем и аппарат

- 9 теории точности преобразовательной техники»

Научная новизна работы заключается в следующем:

- показано, что при структурном описании и распознавании формы ЭК появляется возможность приписывать полученным результатам реальные значения в терминах исследуемой предметной области и объединить этапы обработки и интерпретации структурного анализа кривых;

- установлено, что в связи с использованием метода структурного распознавания, смысл и роль основных понятий, используемых в теории распознавания образов - "признак", "примитив", "подобраз", "структура", "образ"- получают более расширенное толкование;

- предложена классификация методов сегментации ЭК и проведен критический анализ применения этих методов с точки зрения их аппаратурной реализации;

- предложены способ и алгоритм формирования объектных примитивов со структурными признаками и разработано устройство, аппа-ратно реализующее их;

- проведена оценка объема информации предложенного способа формирования объектных примитивов и показано, что при этом, получаемый объем информации не больше, чем при формировании признаков с помощью классических методов квантования;

- предложены метод, алгоритм синтеза и критерии выбора оптимальной структуры аппаратного комплекса системы;

- разработан комплекс технических средств, позволяющий производить формирование объектных примитивов и ввод их в ЦВМ как в реальном масштабе времени, так и с промежуточной регистрацией информации;

- разработаны модель, алгоритм и программа синтеза атрибутной грамматики и языка структурного описания ЭК, позволяющие системе самообучаться;

- разработаны алгоритм и программа структурного распознавания ЭК, решающие задачи классификации текущих кривых;

Практическая ценность работы заключается в том, что предложенный алгоритм формирования объектных примитивов дает возможность выделить и формировать структурные признаки кривых, характеризующие локальные геометрические особенности их участков и сократить объем вводимой информации в ЦВМ в 7г-Ю раз по сравнению с классическими методами квантования.

Предложенный метод синтеза структуры аппаратной части системы позволил разработать устройство сегментации ЭК, имеющее оптимальную структуру и эффективно выделяющее структурные признаки кривых в реальном масштабе времени.

Разработанные алгоритмы автоматического синтеза атрибутной грамматики и структурного распознавания ЭК позволяют системе, в режиме самообучения, осуществить структурное описание формы кривых, а в режиме распознавания, произвести их классификацию.

Разработанная САРСЭК может быть использована для структурного описания и распознавания ЭК, имеющих квазидетерминированный или случайный характер изменения формы и относящиеся к различным областям машиностроения, химии, геологии, медицины и биологии.

В качестве црактического применения, система внедрена и используется в настоящее время в АТП № 145 НПО "Узавтотрастехника" и в моторном комплексе и линии диагностики Ташкентского экспериментально-производственного автопредприятия Главташавтотранса Минавтотранспорта УзССР. Экономический эффект от внедрения САРСЭК в этих предприятиях составил 90000 и 63000 рублей в год, соответственно.

Ряд практических результатов, полученный в диссертационной работе используется в НИИ курортологии и физиотерапии им. Н.А. Семашко при автоматизированной обработке реоэнцефалографической информации. Кроме того, предложенный способ семантической обработки информации и метод синтеза аппаратной части системы использованы в учебном процессе кафедры "Электронные вычислительные машины" Ташкентского ордена Дружбы Народов политехнического института имени Абу Ралхана Беруни при чтении спецкурсов»'

По результатам выполненных исследований опубликованы II статей и докладов, из них одно изобретение. В структурном отношение, диссертационная работа состоит из введения, четырех глав, заключения и приложений,

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», сангинов, Рустам Сангинович

Основные результаты диссертационной работы заключаются в следующем:

1. Проанализированы и уточнены смысл и роль таких понятий, как "признак", "примитив", "подобраз", "образ", "структура", которые используются в теории распознавания образов. Установлено, что при структурном распознавании образов смысл этих понятий получает более расширенное толкование. В качестве признака образа введено понятие "объектный примитив", которое дает возможность сохранить не только количественную, но и качественную (семантическую) информацию о форме исследуемых кривых.

2. Предложена классификация и произведен критический анализ методов сегментации кривых, на. основе которого сделан вывод о необходимости использования сочетания контурных и аналитических методов для реализации этапа сегментации. Кроме того, уточнены этапы преобразования исходных кривых и определена иерархия задач при выполнении процедуры их структурного представления, а также определена необходимая априорная информация для каждого этапа преобразования кривых.

3. Предложены способ и алгоритм формирования объектных примитивов со структурными признаками и дана сравнительная оценка объема информации предложенного способа с классическим способом равномерного квантования кривых, которая показала, что при предложенном способе формирования примитивов объем информации уменьшается в 7-10 раз. Кроме того, исследованием по анализу оптимального соотношения аппаратных и программных средств реализации про

- 175 цедур структурного распознавания показано, что с целью эффективного формирования объектных примитивов и ввода их в ЦВМ в реальном или близком к реальному масштабу времени, данный этап целесообразно реализовать аппаратно.

4. Предложена классификация структурных методов распознавания образов и дана оценка их возможностей структурного распознавания ЭК, а также указано, что для анализа структуры кривых целесообразно использовать контекстно-свободные грамматики с атрибутными свойствами.

5. Предложены метод и алгоритм синтеза оптимальной структуры аппаратного комплекса системы, а также критерий оценки ее выбора, согласно которому обоснованно выбрана структура блока сегментации кривых.

6. Разработан комплекс технических средств, позволяющий в компактной форме представить информацию о форме кривых в виде объектных примитивов, вводить их в ЦВМ и одновременно вычислить ряд составных признаков кривых в качестве экспресс-информации.

7. Разработан язык структурного описания ЭК модельного типа на основе принципа автоматического формирования описаний отдельных фрагментов кривых с помощью символов и установления иерархической связи между простыми и сложными (составными) символами. Грамматика языка обладает атрибутными свойствами, содержит структурные и однозначно соответствующие им семантические правила.

8. Разработаны алгоритм и программа автоматического синтеза АТ-грамматики - АСАГ, позволяющие системе формировать структурные правила языка в этапе обучения и строить эталонное дерево структуры ЭК. Корректность предложенного алгоритма доказана с помощью лемм 3.1, 3.2 и теоремы 3.1.

9. Разработаны алгоритм и программа структурного распознава

- 176 ния исследуемых кривых - АРСЭК, по которым система в этапе распознавания устанавливает факт к-изоморфности текущих деревьев структур S> кривых с эталонными . Точность распознавания кривых системой составляет 85-90 %,

10. Произведена оценка сложности дерева структуры кривой и показано, что его сложность растет линейно в зависимости от увеличения количества объектных примитивов и повышения точности их формирования.

11. Выполнен анализ и произведена сравнительная оценка вычислительной сложности предложенного метода структурного распознавания кривых с эталонными методами и статистическими методами распознавания, использующие формулу Байеса. Установлено, что вычислительная сложность предложенного метода структурного распознавания кривых меньше относительно сравниваемых на 4,9 и 2,8 раза, соответственно.

12. Экспериментально-прикладными результатами доказана полная работоспособность и практическая эффективность системы при решении задач виброакустической диагностики двигателей внутреннего сгорания и автоматизации обработки реоэнцефалографической информации. Экономический эффект от внедрения системы в АТП J£ 145 НПО "Узавтотранстехника" Минавтотранспорта УзССР и в моторном комплексе и линии диагностики Ташкентского экспериментально-производственного автопредприятия составляет 90 тысяча и 63 тысяча рублей в год, соответственно.

Ряд результатов диссертационной работы, а именно вычислительное устройство определения составных параметров кривых и алгоритмы структурного распознавания для автоматизированной обработки реоэнцефалографической информации, используются в НИИ курортологии и физиотерапии игл. H.A. Семашко Минздравоохранения УзССР.

- 177

Кроме того, предложенный способ семантической обработки информации и метод синтеза аппаратной части системы использованы в учебном процессе кафедры "Электронные вычислительные машины" ТашПИ им. Абу Райхана Беруни при чтении спецкурсов "Основы научных иссле дований и математическое моделирование" и "Автоматизация проектирования".

- 172 -ЗАКЛЮЧЕНИЕ

В настоящее время существующие распознающие системы, функционирующие на основе неструктурных методов распознавания (статистические, алгебраические, логические), главным образом предназначены для выработки решения типа "да", "нет","не знаю" о принадлежности или не принадлежности исследуемых образов к определенному классу. При этом, решение принимается по численным значениям или по распределениям вероятностей значений признаков образов, а задачи анализа и описания структуры (формы) самих образов не рассматриваются.

Однако, на практике зачастую возникает не только задача классификации образов, но и задачи их морфологического описания и анализа, выявления различных связей составляющих частей структуры образа, законы их композиций. Эти задачи, как показала практика, успешно решаются с помощью структурных методов распознавания.

Анализ работ по методам структурного распознавания кривых показал, что эти методы в основном различаются друг от друта по правилам конструирования "фраз" (предложений), дающих описаний форм исследуемых кривых. Обычно эти правила, базируясь на результатах предварительного изучения особенностей форм исследуемых кривых и степени их изменчивости, заранее задаются самим исследователем. Это, как известно, приводит к снижению гибкости и универсальности систем структурного распознавания.

Многообещающими системами структурного распознавания являются те системы, которые по обучающим выборкам автоматически выводят грамматику языка структурного описания образов. Такие распознающие системы являются самообучающимися системами с достаточной гибкостью и широкой сферой применения.

В настоящей работе предложена система структурного распознавания низкочастотных кривых имеющих структуризированные и квази-детерминированные формы. Система имеет аппаратно-программный принцип строения и позволяет решать задачи структурного представления отдельных фрагментов кривых, структурного описания конфигурации ЭК, автоматического вывода структурных правил грамматики ЯСОЭК (этап обучения), структурного распознавания и классификации текущих ЭК, подлежащих исследованию (этап распознавания), автоматизации измерения амплитудно-временных параметров и вычисления составных признаков кривых.

Аппаратная часть системы выполняет функции предворительной обработки ЭК и структурного представления отдельных ее участков, в результате которых форма кривой в целом представляется в виде конкатенации объектных примитивов. При разработке аппаратной части системы особое внимание уделялось определению оптимальности ее структуры. Это выполнено с помощью предложенного в работе алгебраического метода синтеза структур устройств обработки ЭК и выбора оптимальной структуры из числа синтезированных. Аппаратная реализация части системы позволила ей более эффективно выполнять процедуры фильтрации и сжатии информации, а также быть инвариантной по части автоматизированного выделения и формирования признаков широкого класса низкочастотных кривых.

Программная часть системы охватывает алгоритмы и программы автоматического вывода структурных правил грамматики ЯСОЭК, определения семантики элементов этой грамматики, структурного описания формы кривых и их классификации, а также другие программы, обеспечивающие организации процесса выполнения поставленных задач и документировании результатов.

Все программы математического обеспечения системы написаны на алгоритмическом языке Ш - I и реализованы на ЦВМ типа ЕС - 1022.

- 174

Дальнейшая работа по совершенствованию системы заключается в повышении точности аппаратной части системы и расширении программной части с целью улучшения наглядного представления результатов структурного описания и классификации кривых.

Список литературы диссертационного исследования кандидат технических наук сангинов, Рустам Сангинович, 1984 год

1. Автоматический анализ сложных изображений/ Сб.переводов под ред. Э.М. Бравермана.- М.: Мир, 1969.- 309 с.

2. Абдуллаев Д.А. Оптимизации систем оперативной обработки измерительной информации.- Вопросы кибернетики, Ташкент, 1972, вып.52, с.131-141.

3. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин.- М.: Наука, 1970'.- 384 с.

4. Алексенко А.Г., Коломбет Е.А., Стародуб Г.И. Применение прецизионных аналоговых ИС.- М.: Радио и связь, 1981.- 224 с.

5. Арунин И.Н. Диагностирование технического состояния автомобилей.-М.: Транспорт, 1978,- 176 с.

6. Ахиезер Н.И. Лекции по теории аппроксимации.- М.: Наука, 1965.407 с.

7. А. Индексные грамматики расширение контекстно-свободных грамматик.- В кн.: Языки и автоматы. М.: Мир, 1975.- с.130-165.

8. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компиляции. Синтаксический анализ. Т.1.- М.: Мир, 1978.- 612 с.

9. Ахо А., Ульман Дн. Теория синтаксического анализа, перевода и компиляции. Компиляция. Т.2.- М.: Мир, 1978.- 484 с.

10. Байков В.Д., Смолов В.Б. Аппаратная реализация элементарных функций в ЦВМ.- Л.: Ленингр. ун-ет, 1975.- 96 с.

11. Барабаш Ю.Л., Барский Б.В. Вопросы статистической теории распознавания.- М.: Сов.радио, 1967,- 400 с.

12. Биргер И.А. Техническая диагностика.- М.: Машиностроение, 1978. 240 с.

13. Боженкова С.Г. О структурном анализе электрической активности мозга.- В кн.: Нейрокибернетика и математическое моделирование жизненных процессов.- Киев: Ин-т кибернетики АН УССР, 1977,с. 66-72.

14. Бонгард М.М. Проблема узнавания,- М.: Наука, 1967.- 320 с.

15. Борщев В.Б. Окрестностные грамматики.- Научно-техническая информация, 1967, MI, с. 17-48.

16. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных.- М.: Наука, 1983.- 464 с.

17. Брвдинг Дж.К. Язык для описания изображений.- В кн.: Автоматический анализ сложных изображений.- М.: Мир, 1969, с.65-84.

18. Валужис А.К. Описание и автоматический анализ сложных изображений.- В кн.: Статистические проблемы управления, Вильнюс, 1974, вып.9, с.33-74.

19. Валужис А.К., Рашимас А.П. Статистический алгоритм структурного анализа электрокардиосигнала.- Кибернетика, 1979, JS3, с.91-95.

20. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения) .- М.: Наука, 1974.- 415 с.

21. Васильев В.И. Распознающие системы.- Киев: Наукова думка, 1983. 422 с.

22. Ганиев С.К., Сангинов P.C. Методы сегментации экспериментальных кривых.- В кн.: Автоматизация производственных процессов: Сб. науч.тр. ТашПИ. Ташкент, 1980, вып. Ж308, с.29-38.

23. Ганиев С.К., Сангинов P.C. Устройство преобразования и автоматического ввода реоэнцефалограмм в ЭВМ.- Вопросы кибернетики, Ташкент, 1975, вып.88, с.116-119.

24. Ганиев С.К., Кучкаров Т.А., Маджидов Н.М., Сангинов P.C. Вычислительное устройство для определения отношения биоэлектрических сигналов. Авт.свид. ЖЕ9734.- Опубл. в Б.И., 1976, $24.

25. Ганиев С.К., Кучкаров Т.А., Маджидов Н.М., Сангинов P.C. Вычислительное устройство для определения отношения биоэлектрических сигналов.- Изв. АН УзССР. Сер.тех.наук, 1977, Н, с.13-17.- 180

26. Ганиев C.K., Сангинов P.C. Алгоритмическое описание структур аналого-цифровых преобразователей интегрирующего типа.- Вопросы кибернетики, Ташкент, 1977, вып.95, с.65-70.

27. Ганиев С.К., Сангинов P.C. Алгебраический метод синтеза аналого-дискретных каналов обработки экспериментальных кривых.- Вопросы кибернетики, Ташкент, 1981, вып.116, с.143-153.

28. Ганиев С.К., Сангинов P.C., Юсупова С. Метод и алгоритм формирования простых и объектных примитивов экспериментальных кривых.-В кн.: Моделирование и проектирование систем управления технологическими процессами: Сб.науч.тр. ТашПИ, Ташкент, 1982,с.29-35.

29. Ганиев С.К., Турсунов А.У., Сангинов P.C. К вопросу аппаратурной реализации алгоритмов обработки экспериментальных кривых.- Вопросы кибернетики, Ташкент, 1984, вып.127 (в печати;.

30. Гинзбург С. Математическая теория контекстно-свободных языков.-М.: Мир, 1970.- 326 с.

31. Гинзбург С.А., Любарский Ю.Я. Функциональные преобразователи с аналого-цифровым представлением информации.- М.: Энергия, 1973. 104 с.

32. Гитис Э.И. Преобразователи информации для электронных цифровых вычислительных устройств.- М.: Энергия, 1970.- 399 с.

33. Гладкий A.B. Формальные грамматики и языки.- М.: Наука, 1973.366 с.

34. Глушков В.М., Цейтлин Г.Е., Ющенко Е.Л. Алгебра языки программирования.- Киев: Наукова думка, 1978.- 318 с.

35. Гонсалес Р., Ту Да. Принципы распознавания образов.- М.: Мир, 1978.- 407 с.

36. Горелик А.Л., Скрипкин В.А. Построение систем распознавания.-М.: Сов.радио, 1974.- 224 с.- 181

37. Горелик А.Л., Скрипкин В.А. Методы распознавания.- М.: Высшая школа, 1984.- 208 с.

38. Гренандер У. Основы анализа образов.- В кн.: Кибернетический сборник, вып.15.- М.: Мир, 1978, с.143-222.

39. Гренандер У. Лекции по теории образов. Синтез образов. T.I.-М.: Мир, 1978.- 382 с.

40. Гузман А. Разбиение визуальной сцены на трехмерные тела.- В кн.: Интегральные роботы.- М.: Мир, 1973, с.241-268.

41. Гусев A.A., Смирнова И.Н. Языки, грамматики и абстрактные автоматные модели,- Автоматика и телемеханика, 1968, М,5, с.72-95.

42. Дорофеюк A.A. Алгоритмы автоматической классификации (обзор).-Автоматика и телемеханика, 1971, И2, с.78-113.

43. Дуда Р., Харт П. Распознавание образов и анализ сцен.- М.: Мир, 1976.- 511 с.

44. Житков Т.Н., Прохорова М.С. Об одном алгоритме классификации графической информации.- В кн.: Прием и обработка информации в сложных информационных системах.- Казань: Казанский ун-т, 1978, вып.7, с.64-67.

45. Жук К.Д., Тимченко A.A., Доленко Т.И. Исследование структур и моделирование логико-динамических систем.- Киев: Наукова думка, 1975,- 200 с.

46. Жуковский В.Д. Автоматизированная обработка данных клинических функциональных исследований.- М.: Медицина, 1981.- 362 с.

47. Журавлев Ю.И. Непараметрические задачи распознавания образов.-Кибернетика, 1976, №6, с.93-103.

48. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации.- Проблемы кибернетики, 1978, вып.33, с.2062-2077.

49. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления- 182 оценок и их применение.- Ташкент: Фан, 1974.- 119 с.

50. Завалишин И.В., Мучник И.Б. Лингвистический (структурный) подход к проблеме распознавания образов.- Автоматика и телемеханика, 1969, с.86-119.

51. Завалишин И.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений.- М.: Наука, 1974.- 344 с.

52. Загоруйко Н.Г. Методы распознавания и их применение.- М.: Сов. радио, 1972.- 206 с.

53. Зыков А.А. Гиперграфы.- Успехи математических наук, 1974, т.XXIX, вып.6, с.89-154.

54. Интегральные роботы/ Сб. переводов под ред. Г.Е. Позднякова.-М.: Мир, 1975.- 421 с.

55. Иода X., Мотоике Д., Эдзири М. Метод кодирования направлений и его применение для анализа изображений. В кн.: Тр.1У междунар. объедин.конф. по искусственному интелекту. М.: Наука, 1975, т.8, с.8.29-8.40.

56. Калниболотский Ю.М., Королев 10.В. Синтез электронных схем.-Киев: Вища школа, 1979.- 279 с.

57. Камшгав М.М. Система моделей алгоритмов вычисления оценок.- Вопросы кибернетики, Ташкент, 1971, вып.46, с.68-73.

58. Камилов М.М., Ким А.Н. Распознающий комплекс, основанный на алгоритмах вычисления оценок.- Вопросы кибернетики, Ташкент, 1972, вып.52, с.68-74.

59. Карцев М.А. Арифметика цифровых машин.- М.: Наука, 1969.- 576 с.- 183

60. Китов А.Д. Общие принципы построения и язык структурного "описания образов в системе ВОРС,- В кн.: Методы оптимизации и исследования операций в энергетике, Иркутск, 1978, с.133-139.

61. Кнут Д.Э. Семантика контекстно-свободных языков.- В кн.: Семантика языков программирования / Сб. переводов под ред. В.М. Ку-рочкина.-М.: Мир, 1980, с.137-161.

62. Ковалевский В.А. Методы оптимальных решений в распознавании изображений.- М.: Наука, 1976.- 328 с.

63. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа.- М.: Наука, 1981.- 544 с.

64. Кон II. Универсальная алгебра.- М. : Мир, 1968.- 349 с.

65. Кондалев А.И. Системные преобразователи формы информации.- Киев: Наукова думка, 1974,- 335 с.

66. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров.- М.: Наука, 1977.- 832 с.

67. Ледли P.C. Программирование и использование цифровых вычислительных машин.- М.: Мир, 1966.- 644 с.

68. Леушина Л.И. Зрительное пространственное восприятие.- Л.: Наука, 1978.- 175 с.

69. Лыоис Ф,, Розенкрац Д., Стирнз Р. Теоретические основы проектирования компиляторов.- М.: Мир, 1979.- 654 с.

70. Льюис Ф., Розенкрац Д., Стирнз Р. Атрибутные трансляции.- В кн.: Семантика языков программирования / Сб. переводов под ред. В.М. Курочкина.- М.: Мир, 1980, с.162-195.

71. Мальцев А.И. Алгебраические системы.- М.: Наука, 1970.- 392 с.

72. Матвейков Г.П. Пшоник С.С. Клиническая реография.- Минск: Бело-русь, 1976.- 176 с.

73. Мотлл В.В. Метод частичной аппроксимации в задаче выделения информативных участков экспериментальных кривых.- Автоматика и телемеханика, 1977, Ж, с. 97-108.

74. Мусаев М.М., Дорошенко О.Н. Микроэлектронные генераторы элементарных функций.- Ташкент: Фан, 1983.- 112 с.

75. Мухопад Ю.Ф. Проектирование специализированных микропроцессорных вычислителей.- Новосибирск: Наука, 1981.- 161 с.

76. Мучник И.Б. Формирования языка описания зрительных образов.-В кн.: Автоматический анализ сложных изображений.- М.: Мир, 1969, с.299-308.

77. Мучник И.Б., Мучник Р.Б. Алгоритмы формирования языка для описания экспериментальных кривых.- Автоматика и телемеханика, 1973, с.86-98.

78. Мучник Р.Б. Сокращенное описание временных сигналов.- В кн.: Актуальные вопросы технической кибернетики.- М.: Наука, 1972, с.208-210.

79. Мясников Л,Л., Мясникова Е.Н. Автоматическое распознавание звуковых образов.- Л.: Энергия, 1970.- 183 с.

80. Нарасимхан Р. Синтаксическая интерпретация классов изображений.-В кн.: Автоматический анализ сложных изображений.- М.: Мир, 1969, с.50-64.

81. Нарасимхан Р. Метод маркировки и синтаксическое описание изображений.- В кн.: Автоматический анализ сложных изображений.- М.: Мир, 1969, с.87-110.

82. Ольховский Ю.Б., Новоселов О.Н., Мановцев А.П. Сжатие данных при телеизмерениях.- М.: Сов.радио, 1971.- 304 с.

83. Опознавание и описание линий.- М.: Наука, 1972.- 166 с.

84. Оранский А.М. Аппаратурные методы в цифровой вычислительной технике.- Минск: Белорус.гос.ун-т, 1977.- 208 с.

85. Павлов Б.В. Акустическая диагностика машин.- М.: Машиностроение, 1971.- 147 с.

86. Пархоменко П.П., Карибский Б.В., Согомонян Е.С., Халчев В.Ф. Основы технической диагностики,- М. : Энергия, 1976.- 462 с.

87. Переверзев-Орлов B.C. Распознавание нестилизованных рукописных цифр в пространстве X ,У ,У В кн.: Структурные методы опознания и автоматическое чтение,- М.: ВИНИТИ, 1970, с.267-276.

88. Переверзев-Орлов B.C. Модели и методы автоматического чтения.-М. : Наука, 1976.- 212 с.

89. Пересада В.П. Автоматическое распознавание образов.- Л.: Энергия, 1970.- 92 с.

90. Петров C.B. Графовые грамматики и автоматы.- Автоматика и телемеханика, 1978, ÏÏI, с,116-136.

91. Рамшпвили Г.С. Автоматическое опознавание говорящего по голосу. -М.: Рацио и связь, 1981,- 224 с.

92. Распознавание образов при помощи вычислительных машин / Под ред. Л. Хармана.- М.: Мир, 1972, МО, вып.60.- 164 с.

93. Розенкрац Д. Программные грамматики и классы формальных языков.- В кн.: Сборник переводов по вопросам информационной теории и практики.- М.: ВИНИТИ, 1972, Мб, с.117-146.

94. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин.- М.: Мир, 1972.- 230 с.

95. Рок И. Введение в зрительное восприятие. T.I.- М.: Педагогика, 1980.- 311 с.

96. Рок И. Введение в зрительное восприятие. Т.2.- М.: Педагогика, 1980.- 279 с.

97. Сангинов P.C. К вопросу точности преобразования реоэнцефалограмм.- В кн.: Материалы Республиканской науч.-техн.конф. молодых ученых, Ташкент, 1976, т.2, с.125.

98. Сангинов P.C. К вопросу структурного распознавания кривой реоэн-цефалограммы.- В кн.: Материалы Республиканской науч.-техн.конф.- 186 молодых ученых и специалистов посвященной 50-летию ТашПИ, Ташкент, 1980, ч.2, с.40.

99. Сангинов P.C., Ибрагимходжаев С.А., Ганиев С.К. Система автоматизированного распознавания структуры виброакустических сигналов двигателей внутреннего сгорания.- В кн.: Научно-технический прогресс в автомобильном транспорте, Ташкент, 1984, (в печати).

100. Смолов В.Б., Фомичев B.C. Аналого-цифровые и цифро-аналоговые нелинейные вычислительные устройства.- Л.: Энергия, 1974.264 с.

101. Смолов В.Б. Функциональные преобразователи информации.- Л.: Энергоиздат, 1981.- 248 с.

102. Структурные методы опознания и автоматическое чтение / Под ред. А.И. Михайлова.- ГЛ.: ВИНИТИ, 1970.- 410 с.

103. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники.- М.: Энергия, 1979.- 512 с.

104. Турбович И.Т., Гитис В.Г., Маслов В.Г. Опознание образов.- М.: Наука, 1971.- 246 с.

105. Тюхтин B.C. Теория автоматического опознавания и гносеология.- М.: Наука, 1976.- 190 с.

106. Файн B.C. Опознавание изображений.- М.: Наука, 1970.- 283 с.

107. Фано Р. Передача информации. Статистическая теория связи.-М.: Мир, 1965.- 438 с.

108. Фридрих З.К. К теории дискретных отсчетов.- В кн.: Тр. Москов. энергет. ин-та, 1963, вып.52, с.31-46.

109. Фу К. Структурные методы в распознавании образов.- М.: Мир, 1977,- 320 с.

110. Хасанов П.Ф. Фигурно-точечные модели и диаопределители матриц.- Ташкент: Укитувчи, 1975.- 84 с.

111. Хлистунов В.Н. Основы цифровой электроизмерительной техники.-М.-Л.: Энергия, 1966.- 345 с.

112. Хомский Н. Три модели описания языка.- В кн.: Кибернетический сборник, вып.2.- М.: Изд-во иностр.лит., 1961, с.237- 266.

113. Хомский Н., Миллер Г. Языки с конечным числом состояний.

114. В ich.: Кибернетический сборник, вып. 4.- М.: Изд-во иностр. лит., 1962, с.233-255.

115. Хомский Н. Формальные свойства грамматик.- В кн.: Кибернетический сборник. Новая серия, вып.2.- М.: Мир, 1966, с.121-230.

116. Цыпкин Я.З. Адаптация и обучение в автоматических системах.-М.: Наука, 1968.- 400 с.

117. Цыпкин Я.З. Основы теории обучающихся систем.- М.: Наука, 1970.- 251 с.

118. Шило В.Л. Линейные интегральные схемы. 2-е изд., перераб, и доп.- М.: Сов.радио, 1979.- 368 с.

119. Эндрюс К.А., Дэвис Дж.М., Шварц Г.Р. Адаптивные сжатия данных. ТИИЭР, 1976, т.55, Ш, с.105-130.

120. Яковлев В.Г. Алгоритм выделения всплесков на физиологических кривых.- Автоматика и телемеханика, 1977, М2, с.94-105.

121. Яруллин Х.Х. Клиническая peoэнцефалография.- М.: Медицина, 1967.- 247 с.12.3. Fe de г J- Рбех, ¿j cm . In-f. а г т. Sc¿i9?£ f vo6. 3, tío. 3.p. 22?-241.

122. Pav€¿d¿s T. áruiCy^cg of Set PaéUzns.- P&tt&zn Recogrdkcm, i9b2>,riU, p. Í66-1F8.

123. PcLvUdls T. Repze&enta&ov ef fiflut&s ¿абг&Л, Gz¿tpfls.-Pat&yzn Recognition , Ш2, p. S-IT.

124. Patf£¿d¿$ T, Ufóufi^óvm Scgmartéa-tlor? Tfvzout^ Fccnci/ep^at ¡\ppzaoc- s>¿tvcz tiorr. IEEE Tzurrs • ComputN* C-22, tfo, 7, 1973, P. 689-60?'

125. Vfattj I. h., Hohenfeld A. U^eS Giuzfrimu^. Im Pzac. of tfte Joint Irrtezr?. Conf. on AztLf-Lca-t IntctCc^enceUfaftUtigton D.C, f Play, 19691 tfy. 1969, p. 609-619.

126. Ro&r?fe£cL 4. E. AnqEe JPeücU^rr on Scyitat Cuzt^ezr IEEE Tzuns . Comnui, V• C-2Z f SeptemSez t 1973, P. 8?f-8?8.

127. S&tans&if J. Ima^c Seaman ta.tcor> and Fcatuze Ex-tt^tc-tiorr. -IEEE Tzuns . Syst., Warr , Cygezrr, K SMC- tfo. 4 } 19 7Ü, P, 23?-2*17.

128. Siookmczrt C. t TCcLffuE b., 3Cif.Ee M, An Esc p€z^meniaE llTcu^&fa zrrr PazUntj System, In; pzoc. cf tke 2-nc/ Int. Joint Conf. an Patt&zrf ReceP^nitionf Au^ug-t f 1974 , CopenAa^enf Denmaz-k} 1974, p.